nodejs 做一个简单的爬虫(1)

在这里插入图片描述

感谢每一个认真阅读我文章的人,看着粉丝一路的上涨和关注,礼尚往来总是要有的:

① 2000多本Python电子书(主流和经典的书籍应该都有了)

② Python标准库资料(最全中文版)

③ 项目源码(四五十个有趣且经典的练手项目及源码)

④ Python基础入门、爬虫、web开发、大数据分析方面的视频(适合小白学习)

⑤ Python学习路线图(告别不入流的学习)

网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友,可以戳这里获取

一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!

准备工作做完了,下面就开始创建工程了

  1. 首先,在你想要放资源的地方创建文件夹,比如我在 E 盘里面创建了一个 myStudyNodejs 的文件夹

  2. 在命令行里面进入你创建的文件夹 如图

进入 e 盘:E:

进入文件夹:cd myStudyNodejs(你创建的文件夹的名字)

注意全是英文符号

  1. 初始化项目,在你创建的文件夹下面运行 npm init 初始化项目

一路回车,最后输个 yes 就行

  1. 运行完以后,会在文件夹里面生成一个 package.json 的文件,里面包含了项目的一些基本信息。

  2. 安装所需要的包

在所创建的文件夹的目录下运行

npm install cheerio –save

npm install request -save

爬武大的话,这两个包就够了,如果想爬草榴需要额外的转换编码的包,windows 上面是

npm install iconv-lite -save

Mac 上面是 npm install iconv -save

运行结果应该第二幅图这样,中间手滑少写了个字母

  1. 创建文件

在你所创建的文件夹下面创建一个 data 文件夹用于保存爬到的文本数据。

创建一个 image 文件夹用于保存图片数据。

创建一个 js 文件用来写程序。比如 study.js。(创建一个记事本文件将 .txt 改为 .js)

说明 –save 的目的是将项目对该包的依赖写入到 package.json 文件中。

图1

图2


武大计算机学院新闻爬虫代码

下面就是武大计算机学院新闻的爬虫代码了,复制到创建的 .js 文件中,保存。

var http = require(‘http’);

var fs = require(‘fs’);

var cheerio = require(‘cheerio’);

var request = require(‘request’);

var i = 0;

//初始url

var url = “http://cs.whu.edu.cn/a/xinwendongtaifabu/2018/0428/7053.html”;

function fetchPage(x) { //封装了一层函数

startRequest(x);

}

function startRequest(x) {

//采用http模块向服务器发起一次get请求

http.get(x, function (res) {

var html = ‘’; //用来存储请求网页的整个html内容

var titles = [];

res.setEncoding(‘utf-8’); //防止中文乱码

//监听data事件,每次取一块数据

res.on(‘data’, function (chunk) {

html += chunk;

});

//监听end事件,如果整个网页内容的html都获取完毕,就执行回调函数

res.on(‘end’, function () {

var $ = cheerio.load(html); //采用cheerio模块解析html

var news_item = {

//获取文章的标题

title: $(‘div#container dt’).text().trim(),

i: i = i + 1,

};

console.log(news_item); //打印新闻信息

var news_title = $(‘div#container dt’).text().trim();

savedContent($,news_title); //存储每篇文章的内容及文章标题

savedImg($,news_title); //存储每篇文章的图片及图片标题

//下一篇文章的url

var nextLink=“http://cs.whu.edu.cn” + $(“dd.Paging a”).attr(‘href’);

str1 = nextLink.split(‘-’); //去除掉url后面的中文

str = encodeURI(str1[0]);

//这是亮点之一,通过控制I,可以控制爬取多少篇文章.武大只有8篇,所以设置为8

if (i <= 8) {

fetchPage(str);

}

});

}).on(‘error’, function (err) {

console.log(err);

});

}

//该函数的作用:在本地存储所爬取的新闻内容资源

function savedContent($, news_title) {

$(‘dd.info’).each(function (index, item) {

var x = $(this).text();

var y = x.substring(0, 2).trim();

if (y == ‘’) {

x = x + ‘\n’;

//将新闻文本内容一段一段添加到/data文件夹下,并用新闻的标题来命名文件

fs.appendFile(‘./data/’ + news_title + ‘.txt’, x, ‘utf-8’, function (err) {

if (err) {

console.log(err);

}

});

}

})

}

//该函数的作用:在本地存储所爬取到的图片资源

function savedImg($,news_title) {

$(‘dd.info img’).each(function (index, item) {

var img_title = $(this).parent().next().text().trim(); //获取图片的标题

if(img_title.length>35||img_title==“”){

img_title=“Null”;

}

var img_filename = img_title + ‘.jpg’;

var img_src = ‘http://cs.whu.edu.cn’ + $(this).attr(‘src’); //获取图片的url

//采用request模块,向服务器发起一次请求,获取图片资源

request.head(img_src,function(err,res,body){

if(err){

console.log(err);

}

});

request(img_src).pipe(fs.createWriteStream(‘./image/’+news_title + ‘—’ + img_filename)); //通过流的方式,把图片写到本地/image目录下,并用新闻的标题和图片的标题作为图片的名称。

})

}

fetchPage(url); //主程序开始运行

下面就是激动人心的时刻了,在当前文件夹下面,运行创建的 js 文件,比如我的是 news.js。

npm news.js

图3

文本资源:

图4

图片资源:

图5


草榴技术讨论区爬虫

爬完武大的新闻并不过瘾,于是尝试了一波爬草榴的技术讨论区(当然也能爬一些你懂的)。其中遇到了一些问题。

爬草榴的时候,发送 http 请求报文头里面需要包含 User-Agent 字段,于是需要把 初始url 做如下改变

var url = {

hostname: ‘cl.5fy.xyz’,

path: ‘/thread0806.php?fid=7’,

headers: {

‘Content-Type’: ‘text/html’,

//没有这个字段的话访问不了

‘User-Agent’: ‘Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/46.0.2490.86 Safari/537.36’,

}};

其次,nodejs 只支持 抓取 utf-8 字符编码的网站,所以需要安装额外的包来转换编码,所以修改代码如下

/*

  • @Author: user

  • @Date: 2018-04-28 19:34:50

  • @Last Modified by: user

  • @Last Modified time: 2018-04-30 21:35:26

*/

var http = require(‘http’);

var fs = require(‘fs’);

var cheerio = require(‘cheerio’);

var request = require(‘request’);

var iconv=require(‘iconv-lite’);

var i = 0;

//用来判断存储还是访问

var temp=0;

let startPage=3;//从哪一页开始爬

let page=startPage;

let endPage=5;//爬到哪一页

let searchText=‘’;//爬取的关键字,默认全部爬取,根据自己需要

//初始url

var url = {

hostname: ‘1024liuyouba.tk’,

path: ‘/thread0806.php?fid=16’+‘&search=&page=’+startPage,

headers: {

‘Content-Type’: ‘text/html’,

//没有这个字段的话访问不了

‘User-Agent’: ‘Mozilla/5.0 (Windows NT 6.3; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/46.0.2490.86 Safari/537.36’,

}};

//存储首页url

urlList=[];

//封装了一层函数

function fetchPage(x) {

setTimeout(function(){

startRequest(x); },5000)

}

//首先存储要访问界面的url

function getUrl(x){

temp++;

http.get(x,function(res){

var html = ‘’;

res.setEncoding(‘binary’);

res.on(‘data’, function (chunk) {

html += chunk;

});

res.on(‘end’, function () {

var buf=new Buffer(html,‘binary’);

var str=iconv.decode(buf,‘GBK’);

var $ = cheerio.load(str); //采用cheerio模块解析html

$(‘tr.tr3 td.tal h3 a’).each(function(){

var search=$(this).text();

if(search.indexOf(searchText)>=0){

var nextLink=“http://cl.5fy.xyz/” + $(this).attr(‘href’);

str1 = nextLink.split(‘-’); //去除掉url后面的中文

str = encodeURI(str1[0]);

urlList.push(str); }

})

page++;

if(page<endPage){

//存储下一页url

x.path=‘/thread0806.php?fid=16’+‘&search=&page=’+page,

getUrl(x);

}else if(urlList.length!=0){

fetchPage(urlList.shift());

}else{

console.log(‘未查询到关键字!’);

}

})

}).on(‘error’, function (err) {

console.log(err);

});

}

function startRequest(x) {

if(temp===0){

getUrl(x);

}

else{

//采用http模块向服务器发起一次get请求

http.get(x, function (res) {

var html = ‘’; //用来存储请求网页的整个html内容

res.setEncoding(‘binary’);

var titles = [];

//监听data事件,每次取一块数据

res.on(‘data’, function (chunk) {

html += chunk;

});

//监听end事件,如果整个网页内容的html都获取完毕,就执行回调函数

res.on(‘end’, function () {

var buf=new Buffer(html,‘binary’);

var str=iconv.decode(buf,‘GBK’);

var $ = cheerio.load(str); //采用cheerio模块解析html

var news_item = {

//获取文章的标题

title: $(‘h4’).text().trim(),

//i是用来判断获取了多少篇文章

i: i = i + 1,

};

console.log(news_item); //打印信息

var news_title = $(‘h4’).text().trim();

savedContent($,news_title); //存储每篇文章的内容及文章标题

savedImg($,news_title); //存储每篇文章的图片及图片标题

//如果没访问完继续访问

if (urlList.length!=0 ) {

fetchPage(urlList.shift());

学好 Python 不论是就业还是做副业赚钱都不错,但要学会 Python 还是要有一个学习规划。最后大家分享一份全套的 Python 学习资料,给那些想学习 Python 的小伙伴们一点帮助!

一、Python所有方向的学习路线

Python所有方向路线就是把Python常用的技术点做整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。

二、学习软件

工欲善其事必先利其器。学习Python常用的开发软件都在这里了,给大家节省了很多时间。

三、全套PDF电子书

书籍的好处就在于权威和体系健全,刚开始学习的时候你可以只看视频或者听某个人讲课,但等你学完之后,你觉得你掌握了,这时候建议还是得去看一下书籍,看权威技术书籍也是每个程序员必经之路。

四、入门学习视频

我们在看视频学习的时候,不能光动眼动脑不动手,比较科学的学习方法是在理解之后运用它们,这时候练手项目就很适合了。

五、实战案例

光学理论是没用的,要学会跟着一起敲,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。

六、面试资料

我们学习Python必然是为了找到高薪的工作,下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料,并且有阿里大佬给出了权威的解答,刷完这一套面试资料相信大家都能找到满意的工作。

网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友,可以戳这里获取

一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值